LeetCode 11. Container With Most Water

一、问题描述:

    Given n non-negativeintegers a1a2, ..., an, where each represents a point atcoordinate (iai). n verticallines are drawn such that the two endpoints of line i is at (iai) and (i, 0). Find two lines, which togetherwith x-axis forms a container, such that the container contains the most water.

    Note: You maynot slant the container and n is at least 2.

 

二、问题分析:

根据问题描述,大致分析需求为:在a1a2, ..., an中找出两个元素,不妨设为aiaj通过这两个元素构获得四个点(i, ai)、(i, 0)、(j, aj)(j, 0)。在坐标系上分别连接(i, 0)和(j, 0)、(i, 0)和(i, ai)、 (j, 0)(j, aj) 构造出以一个开口向上的二维容器,大致图像如下:


容器的容量由两个因素决定:

1.      ij的距离;

2.      aiaj的最小值;

容量大小公式为:|i-j| * min{ai, aj}

那么,这样就可以把问题简化为:给定一个包含n个整数(a1a2, ..., an)的列表。要求找出两个元素aiaj,满足|i-j| * min{ai, aj} 为最大值。


三、算法设计:

1.      初始化最大容量max = 0,分别定义a = 0 b = lenl

2.      a < b 时,循环执行以下操作:

从给定的列表l两头开始往列表中部遍历,每次记录temp = min{l[a],l[b]} * (b – a),比较tempmax的大小。如果temp > max,则max = temp

l[a] > l[b],则b = b-1

反之,则a = a + 1

3.      返回的max即为最大容量

原理:

因为从列表的两头往中间遍历即能保证每次两个元素的下标之差是最大的,且不会重复计算。因为容量由两个元素数据的最小值决定,所以在每次记录完只需要将较小的一个元素进行替换,替换出现两种情况:更新元素后容器的容量比未更新的小,但是这对记录的最大容量不产生影响;更新元素后的容器容量比未更新的大,此时就会更新记录的最大容量。这样设计的优点是可以避免计算包含有较小元素的容量计算,这是因为针对一个特定的元素,由于较大或较小两个元素是往中间靠拢的距离,所以更新较大或较小的元素与另一个特定的元素组合的距离是一样的,因此包含较小元素的容器容量一定比包含有较大元素的容器容量小。


四、程序实现:

class Solution:
	def maxArea(self, height):
		"""
		:type height: List[int]
		:rtype: int
		"""
		n = len(height)
		a = 0
		b = n-1
		max = 0
		while(a < b):
			temp = (b-a)*min(height[a], height[b])
			if( temp > max):
				max = temp
			if (height[a] < height[b]):
				a+=1
			else:
				b-=1
		return max

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值